เพิ่มเอกสารประเภทข้อความ

อัปโหลดเอกสาร ประเภทข้อความ แบบกลุ่ม ระบบจะประมวลผลทีละไฟล์ด้วยกระบวนการตัดแบ่งเนื้อหา (chunking/slicing), ฝังข้อมูล (embedding/vectorization) และจัดเก็บเพื่อให้ได้รหัสเอกสารใหม่

หมายเหตุ:
สามารถระบุโมเดล embedding ได้ด้วย embedding_model_version_id หากไม่ระบุจะใช้โมเดล embedding ค่าเริ่มต้นของระบบ
ผลลัพธ์ที่ได้จะเป็นเพียงผลการอัปโหลด ยังไม่ใช่ผล embedding สุดท้าย สามารถตรวจสอบผลลัพธ์สุดท้ายได้ผ่าน API "Query Document Status"

วิธีการเรียกใช้งาน

POST

URL สำหรับเรียกใช้งาน

https://api-${endpoint}.gptbots.ai/v1/bot/doc/text/add

การยืนยันตัวตนในการเรียกใช้งาน

โปรดดูรายละเอียดการยืนยันตัวตนในหัวข้อ Overview

ตัวอย่างการเรียกใช้งาน

curl -X POST 'https://api-${endpoint}.gptbots.ai/v1/bot/doc/text/add' \ -H 'Authorization: Bearer ${API Key}' \ -H 'Content-Type: application/json' \ -d '{ "knowledge_base_id": "67457fea6f658672d6482542", "embedding_model_version_id": "6620f06262390a0be1411c5d", "chunk_token": 700, "splitter": "\n", "files": [ { "file_url": "https://www.gptbots.ai/th_TH/docs/article_1.pdf", "file_base64": "SGVsbG8sIEJhc2U2NCBFbmNvZGluZyE=", "source_url": "https://www.gptbots.ai/th_TH/docs/article_1.pdf", "file_name": "article_1.pdf" } ] }'

                      
                      curl -X POST 'https://api-${endpoint}.gptbots.ai/v1/bot/doc/text/add' \
-H 'Authorization: Bearer ${API Key}' \
-H 'Content-Type: application/json' \
-d '{
    "knowledge_base_id": "67457fea6f658672d6482542",
    "embedding_model_version_id": "6620f06262390a0be1411c5d",
    "chunk_token": 700,
    "splitter": "\n",
    "files": [
        {
            "file_url": "https://www.gptbots.ai/th_TH/docs/article_1.pdf",
            "file_base64": "SGVsbG8sIEJhc2U2NCBFbmNvZGluZyE=",
            "source_url": "https://www.gptbots.ai/th_TH/docs/article_1.pdf",
            "file_name": "article_1.pdf"
        }
    ]
}'

บล็อกโค้ดนี้ในหน้าต่างลอย

ชื่อฟิลด์	ประเภท	คำอธิบาย
Authorization	Bearer ${API Key}	ใช้ Authorization: Bearer ${API Key} สำหรับยืนยันตัวตน รับ API Key ได้จากหน้า API Key
Content-Type	application/json	ประเภทข้อมูล ให้ตั้งค่าเป็น `application/json`

พารามิเตอร์ของคำขอ

ชื่อฟิลด์	ประเภท	จำเป็น	คำอธิบาย
knowledge_base_id	String	ไม่จำเป็น	รหัสฐานความรู้ที่ต้องการเพิ่มเอกสาร หากไม่ระบุจะใช้ฐานความรู้ "Default"
files	Array<Object>	จำเป็น	รายการเอกสารที่ต้องการเพิ่ม รองรับการเพิ่มได้สูงสุด 20 ไฟล์ต่อครั้ง
file_url	String	ไม่จำเป็น	URL ของเอกสารที่ต้องการเพิ่ม รองรับ pdf/txt/md/doc/docx ขนาดสูงสุด PDF 30MB, อื่นๆ 10MB หมายเหตุ: ต้องระบุ URL หรือ base64 อย่างใดอย่างหนึ่ง หากระบุทั้งสองจะใช้ base64 เป็นหลัก
file_base64	String	ไม่จำเป็น	base64 ของเอกสารที่ต้องการเพิ่ม รองรับ pdf/txt/md/doc/docx ขนาดสูงสุด PDF 30MB, อื่นๆ 10MB หมายเหตุ: ต้องระบุ URL หรือ base64 อย่างใดอย่างหนึ่ง หากระบุทั้งสองจะใช้ base64 เป็นหลัก
file_name	String	จำเป็น	ชื่อไฟล์เอกสารที่ต้องการเพิ่ม ความยาว 1-200 ตัวอักษร
source_url	String	ไม่จำเป็น	URL ต้นทางของเอกสารที่ต้องการเพิ่ม ต้องเป็นไปตามมาตรฐาน URL
embedding_model_version_id	String	ไม่จำเป็น	รหัสเวอร์ชันของโมเดล embedding ที่ใช้ทำเวกเตอร์เอกสารชุดนี้ หากไม่ระบุจะใช้โมเดล embedding ค่าเริ่มต้นของระบบ ค่าที่ใช้ได้คือ `modelId` ในกลุ่ม `EMBEDDING` ที่ได้จาก API รับรายการโมเดล
chunk_token	Integer	ไม่จำเป็น	จำนวน token สูงสุดต่อหนึ่ง chunk ขณะตัดแบ่งเนื้อหา ค่าเริ่มต้น 600 ช่วงที่รองรับ 1-1000 หมายเหตุ: ต้องระบุ `chunk_token` หรือ `splitter` อย่างใดอย่างหนึ่ง หากระบุทั้งสองจะใช้ splitter เป็นหลัก หากไม่ระบุทั้งคู่ คำขอจะยังสำเร็จ แต่เอกสารจะประมวลผลล้มเหลวในขั้นตอนการทำเวกเตอร์ (สถานะ `FAIL_STORE`) จึงควรระบุอย่างน้อยหนึ่งค่าเสมอ
splitter	String	ไม่จำเป็น	ตัวแบ่งข้อความขณะตัด chunk ค่าเริ่มต้นว่าง สามารถใช้ "custom string" ได้ หมายเหตุ: ต้องระบุ `chunk_token` หรือ `splitter` อย่างใดอย่างหนึ่ง หากระบุทั้งสองจะใช้ splitter เป็นหลัก หากไม่ระบุทั้งคู่ คำขอจะยังสำเร็จ แต่เอกสารจะประมวลผลล้มเหลวในขั้นตอนการทำเวกเตอร์ (สถานะ `FAIL_STORE`) จึงควรระบุอย่างน้อยหนึ่งค่าเสมอ

การตอบกลับ

ตัวอย่างการตอบกลับ

{ "doc": [ { "doc_id": "xxxxxx", "doc_name": "test_1.txt" }, { "doc_id": "xxxxxx", "doc_name": "test_2.pdf" } ], "failed": [ "file_1", "file_2" ] }

                      
                      {
    "doc": [
        {
            "doc_id": "xxxxxx",
            "doc_name": "test_1.txt"
        },
        {
            "doc_id": "xxxxxx",
            "doc_name": "test_2.pdf"
        }
    ],
    "failed": [
        "file_1",
        "file_2"
    ]
}